随着互联网进入大数据时代,网上用户的行为通过各种渠道得到了详细记录,从而可以收集关于用户及其行为的信息,并利用数据挖掘技术确定用户的潜在需求。随着移动互联网的迅速发展,移动餐饮应用程序主导着人们日常的餐饮活动,如何通过用户的行为和信息快速识别用户的潜在需求,以及如何向用户销售潜在感兴趣的产品,已成为互联网餐饮企业在大数据时代面临的一个难题。餐饮个性化推荐目前精准度不高,个性化推荐的方法存在雷同的弊端,数据不是从数据深度和多维度的角度进行广泛分析,而是根据对消费者和采购和浏览记录提出建议。这种推荐方式对于餐饮推荐来讲效率不高,大数据时代的餐饮个性化推荐应该从多方面进行分析和深度挖掘,从而发现数据之间的隐藏规律,发掘出更能表达数据之间关系的信息。机器学习的迅猛发展为解决这些问题提供了可能。本文对推荐算法及应用进行研究,使用机器学习提取或合并较小的数据函数,以形成更抽象的较大维函数,同时将其集成到Wide&Deep(WDL)深度学习模型中。利用机器学习的优势,可以自动学习特征,提取更高效的关键特征,并在WDL模型中引入高级特征。在此基础上,建立了一个饮食推荐系统,为消费者提供饮食推荐服务,从而改善了用户的体验。为了达到以上目标,本文主要内容如下:1.分析了推荐算法和推荐算法深入学习的发展情况,并探讨了建议领域的深入学习应用和优势,重点分析了WDL推荐模型。2、建议使用Word2vec技术提取菜品,并在大数据框架内有效提取案文属性,在推荐的系统中使用了这一方法,以提取较高的属性并准备候选集的工作。3、提出一种基于简单贝叶斯的菜肴分类模型。利用机器学习提取菜品的高维内隐风味特征。使用此模型,可以了解如何自动萃取抑制的特征以及它们之间的关系,而无需手动参与特征工程所生成结果为后续推荐模型所使用。4、通过前两章生成高阶特征,输入到WDL模型进行学习训练。在数据集上进行对比实验。结果表明,WDL算法与传统推荐模型相比,AUC、准确率、召回率分别增长了约7%,3%,2%.同时增强了推荐结果的多样性和新颖性。5、基于以上研究,设计并实现了基于APP端的餐饮推荐系统,将上述模型工程化,将推荐结果展现给用户。该系统可为消费者提供高效的个性化推荐服务,节省消费者浏览和选择产品的时间,改善用户体验,同时增加商家利润。